改進(jìn)的pso算法的實(shí)現(xiàn)畢業(yè)論文-文庫(kù)吧資料
2025-07-03 14:50本頁(yè)面
【正文】 updateState(double globalBestPosition[]) { for(int i=0。ifunDim。 if(fitness bestFitness)//因?yàn)榍蠛瘮?shù)極大值 { bestFitness = fitness。 } void updateFitness() { Function fun = new Function()。 fitness = bestFitness = (position)。 position[i] = bestPosition[i] = ()。ifunDim。 bestPosition = new double[funDim]。 velocity = new double[funDim]。 int funDim。 double fitness。 double position[]。 static final double c2 = 。 static final double weight = 。 } return sum。idim。 } public double cumputeFitness(double position[]) { double sum = 0。 } private static final int dim = 2。 double d = ((abs))*(x)。為了減少粒子陷入到局部極大值的機(jī)會(huì)，我們可以通過添加入一些隨機(jī)因素、增加種群的多樣性、和其它算法相結(jié)合等手段去實(shí)現(xiàn)PSO算法。實(shí)驗(yàn)結(jié)果表明，在這個(gè)實(shí)驗(yàn)中，將Vmax取為105是比較合適的。通過實(shí)驗(yàn)發(fā)現(xiàn)PSO的收斂較快，所以將迭代次數(shù)searchTime取為1000是足夠大的。在這個(gè)程序中，粒子數(shù)PSONum和函數(shù)的維數(shù)funDim很容易實(shí)現(xiàn)調(diào)節(jié)。[500,500].該函數(shù)的圖形如下(當(dāng)n=2時(shí)):從圖中可以看出，這個(gè)函數(shù)有很多局部極大值點(diǎn)。Step 5: 根據(jù)方程(1)變化粒子的速度和位置。Step 3: 對(duì)每個(gè)粒子,將其適應(yīng)值與其經(jīng)歷過的最好位置pbest作比較,如果較好,則將其作為當(dāng)前的最好位置pbest。[gbxi(t)] (1)xi(t+1)=xi(t)+vi(t+1) (2) 其中:vi(t)是粒子i的t時(shí)刻的速度,w為慣性權(quán)重,xi(t)是當(dāng)前粒子的位置,pbi和gb如前定義,rand是介于(0,1)之間的隨機(jī)數(shù).c1,=c2=2.PSO的算法流程如下:Step 1: 初始化一群粒子(群體規(guī)模為m),包括隨機(jī)位置和速度。[pbixi(t)]+c2180。vi(t)+c1180。在每一次迭代中,粒子通過跟蹤兩個(gè)“極值”來(lái)更新自己，另一個(gè)極值是整個(gè)種群
外語(yǔ)相關(guān)推薦
鄂ICP備17016276號(hào)-1